Penguins
Castro, A.
2023-10-12
Inicio
Píldoras_R. Material de formación
En esta práctica analizamos el dataset de PalmerPenguins
[mi_blog] https://agustincastro.es
Cargamos la librería de palmerpenguins y vemos que contiene un dataset que se llama penguins. Este es el que vamos a utilizar en esta práctica.
Exploración general del dataset
Este es el dataset de penguins. Aquí puedes ver qué información contiene. He utilizado la librería DT y la función datatable para que la tabla sea paginada. Esto quiere decir que si hay muchas observaciones, no se mostrarán todas a la vez, sino que se mostrarán por páginas. En este caso, se muestran 10 observaciones por página.
Para empezar nos puede interesar saber qué variables contiene el dataset. Con colnames podemos ver el nombre de estas. Con length podemos contar cuántas son.
## [1] 8## [1] "species" "island" "bill_length_mm"
## [4] "bill_depth_mm" "flipper_length_mm" "body_mass_g"
## [7] "sex" "year"Si queremos información sobre las variables y las observaciones podemos utilizar str. Interpretamos en resultado. Como vemos, hay 344 observaciones y los datos están en formato de “tibble”. Hay tres variables cualitativas: La variable [species] es un factor que cuenta con 3 niveles (hay datos para tres especies de pinguinos). Exactamente ocurre lo mismo para [island] (hay tres islas). Por último está [sex], que indica el sexo de los pinguinos y es un factor con dos niveles (hembra o macho). El resto de variables son cuantitativas, siendo enteras (sin decimales = int) [flipper_length_mm], [body_mass_g] y [year] y, numéricas con decimales [bill_length_mm] y [bill_depth_mm].
## tibble [344 × 8] (S3: tbl_df/tbl/data.frame)
## $ species : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ island : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ bill_length_mm : num [1:344] 39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
## $ bill_depth_mm : num [1:344] 18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
## $ flipper_length_mm: int [1:344] 181 186 195 NA 193 190 181 195 193 190 ...
## $ body_mass_g : int [1:344] 3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...
## $ sex : Factor w/ 2 levels "female","male": 2 1 1 NA 1 2 1 2 NA NA ...
## $ year : int [1:344] 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...Como muchas funciones trabajan sobre data frames, creamos uno df.
Podemos acceder rápidamente a un resumen de estadísticos descriptivos utilizando sumary.
## species island bill_length_mm bill_depth_mm
## Adelie :152 Biscoe :168 Min. :32.10 Min. :13.10
## Chinstrap: 68 Dream :124 1st Qu.:39.23 1st Qu.:15.60
## Gentoo :124 Torgersen: 52 Median :44.45 Median :17.30
## Mean :43.92 Mean :17.15
## 3rd Qu.:48.50 3rd Qu.:18.70
## Max. :59.60 Max. :21.50
## NA's :2 NA's :2
## flipper_length_mm body_mass_g sex year
## Min. :172.0 Min. :2700 female:165 Min. :2007
## 1st Qu.:190.0 1st Qu.:3550 male :168 1st Qu.:2007
## Median :197.0 Median :4050 NA's : 11 Median :2008
## Mean :200.9 Mean :4202 Mean :2008
## 3rd Qu.:213.0 3rd Qu.:4750 3rd Qu.:2009
## Max. :231.0 Max. :6300 Max. :2009
## NA's :2 NA's :2Hacemos algunos cambios
Vamos a realizar una traducción y cambios en los nombres de las variables del dataset utilizando la función rename. Además, creamos una nueva variable ratio con la función mutate, que va a ser la relación entre la masa corporal y la longitud de la aleta. Con head(penguins, 5) podemos ver las 5 primeras observaciones del nuevo dataset, ahora llamado df_col_rename.
df_col_rename <- df %>%
rename(especies = species,
isla = island,
pico_longitud_mm = bill_length_mm,
pico_grosor_mm = bill_depth_mm,
aleta_longitud_mm = flipper_length_mm,
masa_g = body_mass_g,
sexo = sex,
año = year) %>%
mutate(ratio = masa_g / aleta_longitud_mm)
penguins <- df_col_rename
head(penguins, 5)Preguntas sobre los pinguinos
Tamaño
¿Qué especie de pinguino tiene un mayor tamaño?
Para empezar queremos saber qué especie de pinguino tiene un mayor tamaño. Para responder a esto nos fijaremos en sus masas corporales, longitud de aletas y ratio (que no deja de ser la relación entre las dos últimas). Utilizamos group_by para agrupar las observaciones por especie. Posteriormente, con summarise y mean calculamos la media de las tres variables. Ahora tenemos un nuevo data frame penguins_size con estos valores. El resultado lo ordenamos de manera descendiente con arrange. Como vemos, la especie que tiene un mayor tamaño es la Gentoo. De la misma forma podríamos calcular los valores máximos de estas variables max, los mínimos min, la desviación típica sd o la mediana median, por ejemplo.
penguins_means <- penguins %>%
group_by(especies) %>%
drop_na() %>%
summarise(media_masa_g = mean(masa_g),
media_aleta_longitud_mm = mean(aleta_longitud_mm),
media_ratio = mean(ratio)) %>%
arrange(desc(media_masa_g))
penguins_means¿Dónde viven los más grandes?
Sabemos que hay datos biométricos para tres islas en el dataset. Nos preguntamos ¿Qué isla tiene los pinguinos más grandes? Para responder a esto, agrupamos por isla y calculamos ahora la media de masa_g. El resultado lo ordenamos de manera descendiente con arrange. Como vemos, la isla que tiene los pinguinos más grandes es Biscoe.
penguins_island <- penguins %>%
group_by(isla) %>%
drop_na() %>%
summarise(media_masa_g = mean(masa_g)) %>%
arrange(desc(media_masa_g))
penguins_islandEspecies en Biscoe
Pero, ¿Qué especies viven en la isla Biscoe? ¿Las tres, o solo alguna de ellas? Con filter podemos filtrar el dataset para ver solo los datos de los pinguinos de la isla Biscoe. Con unique vemos que solo Adelie y Gentoo están. De hecho, si contamos con sum el número de observaciones de cada especie vemos que hay 44 de Adelie y 124 de Gentoo, y ninguna de Chinstrap. Con select nos quedamos con esas columnas para pasarlas al nuevo data frame.
# data frame con los pinguinos de la isla Biscoe
penguins_biscoe <- penguins %>%
filter(isla == "Biscoe") %>%
drop_na() %>%
select(especies, isla, pico_longitud_mm, pico_grosor_mm, aleta_longitud_mm, masa_g, sexo, año, ratio) %>%
arrange(desc(especies))
# especies que hay en la isla Biscoe
unique(penguins_biscoe$especies) ## [1] Gentoo Adelie
## Levels: Adelie Chinstrap Gentoo## [1] 44## [1] 119## [1] 0Observaciones de sp en cada isla
Vamos a representar el número de observaciones de cada especie, en cada una de las islas.
penguins_island_especies <- penguins %>%
group_by(isla) %>%
drop_na() %>%
summarise(Adelie = sum(especies == "Adelie"),
Chinstrap = sum(especies == "Chinstrap"),
Gentoo = sum(especies == "Gentoo"))
penguins_island_especies %>%
ggplot(aes(x = isla, y = Adelie, color = isla)) +
geom_col(aes(fill = isla), position = "dodge") +
labs(title = "Adelie",
x = "Isla",
y = "Número de observaciones") +
geom_text(aes(label = Adelie), position = position_dodge(width = 0.9), color = "black", size = 3.5, vjust = -0.4) +
theme_ipsum()
penguins_island_especies %>%
ggplot(aes(x = isla, y = Gentoo, color = isla)) +
geom_col(aes(fill = isla), position = "dodge") +
labs(title = "Gentoo",
x = "Isla",
y = "Número de observaciones") +
geom_text(aes(label = Gentoo), position = position_dodge(width = 0.9), color = "black", size = 3.5, vjust = -0.4) +
theme_ipsum()
penguins_island_especies %>%
ggplot(aes(x = isla, y = Chinstrap, color = isla)) +
geom_col(aes(fill = isla), position = "dodge") +
labs(title = "Chinstrap",
x = "Isla",
y = "Número de observaciones") +
geom_text(aes(label = Chinstrap), position = position_dodge(width = 0.9), color = "black", size = 3.5, vjust = -0.4) +
theme_ipsum()
Dimofismo sexual
¿Hay dimorfismo sexual en relación al tamaño de machos y hembras en las especies estudiadas (masa corporal y longitud de las aletas)? Para contestar a esta pregunta necesitamos crear un nuevo dataframe con los valores medios de las variables para cada una de las especies. Para ello, agrupamos por especie y sexo y calculamos la media de las variables. El resultado lo ordenamos de manera descendiente con arrange. Como vemos, en las tres especies los machos son más grandes que las hembras, en ambas variables.
penguins_dimorfismo_sexual_masa <- penguins %>%
group_by(especies, sexo) %>%
drop_na() %>%
summarise(media_masa_g = mean(masa_g)) %>%
arrange(especies, desc(sexo))
penguins_dimorfismo_sexual_masapenguins_dimorfismo_sexual_aleta <- penguins %>%
group_by(especies, sexo) %>%
drop_na() %>%
summarise(media_aleta_longitud_mm = mean(aleta_longitud_mm)) %>%
arrange(especies, desc(sexo))
penguins_dimorfismo_sexual_aletaUtilizando el data frame de penguins_dimorfismo_sexual_masa, vamos a representar gráficamente la masa de machos y hembras en las tres especies de pinguinos. Para ello, utilizamos la función ggplot. Con aes indicamos que en el eje x queremos la especie y en el eje y la masa corporal. Con geom_col indicamos que queremos representar los datos en forma de columnas. Con fill indicamos que queremos que las columnas se rellenen con el color de la variable sexo. Con labs añadimos el título y las etiquetas de los ejes. Con theme cambiamos el color de fondo del gráfico.
ggplot(penguins_dimorfismo_sexual_masa, aes(x = reorder(especies, -media_masa_g), y = media_masa_g)) +
geom_col(aes(fill = sexo), position = "dodge") +
labs(title = "Dimorfismo sexual en masa corporal (g)",
x = "Especies",
y = "Masa corporal (g)") +
geom_text(aes(label = round(media_masa_g, 1), group = sexo), position = position_dodge(width = 0.9), vjust = -0.5) +
theme_ipsum()
De la misma forma podemos hacerlo para la longitud de las aletas.
ggplot(penguins_dimorfismo_sexual_aleta, aes(x = reorder(especies, -media_aleta_longitud_mm), y = media_aleta_longitud_mm)) +
geom_col(aes(fill = sexo), position = "dodge") +
labs(title = "Dimorfismo sexual en longitud de las aletas (mm)",
x = "Especies",
y = "Longitud de las aletas (mm)") +
geom_text(aes(label = round(media_aleta_longitud_mm, 1), group = sexo), position = position_dodge(width = 0.9), vjust = -0.5) +
theme_ipsum()